大数据营销-理论与实践 课件 第7讲 零售大数据营销

第七讲零售大数据营销

本讲主要内容

零售以及零售营销零售大数据零售大数据的应用新零售简介

零售的概念和分类

传统零售新型零售线上网店、线上线下深度融合百货商店、超级市场、便利商店等

零售是为最终用户提供商品或者服务的所有经营活动。作为连接生产和消费的重要环节，零售为企业与消费者提供了重要的流通渠道。

零售营销的内容

选址决策产品管理店面、仓库促销管理客户管理忠诚计划、个性化推荐店面广告、定价/促销策略、人员推销品类决策、产品决策、采购决策、产品陈列

零售大数据的产生

零售终端有着服务与销售的双重性质，也有着交易频繁的特点，这些使得零售企业在日常运营中产生了大量的数据。此过程中，数据量级上升、数据维度增加。这些数据包括运营数据、交易数据、用户数据、交互数据等，这样的数据集合称为零售大数据。

零售大数据的演变

20世纪80年代手工记录和电子收款机阶段20世纪80年代后期PC机和POS系统阶段21世纪初期用户为中心的互联网阶段21世纪初期之后移动和感知式物联网阶段

零售大数据的类型

运营数据交易数据用户数据店铺、供应链、流量、转化、财务数据产品信息、促销信息、订单信息、支付记录基本信息、浏览和购买数据、评论信息

线下零售数据的采集

现场设备唯一ID:

XXXX1初次到访到访时间:

07/21/18

19:22年龄:

35性别:男唯一ID:

XXXX2第3次到访到访时间:

07/21/18

20:01年龄:

29性别:女

零售大数据的应用——内部

个性化推荐用户画像选址决策精准营销

商品陈列与管理

客户流失预警与干预

个性化推荐

评分、浏览、购买或搜索历史等数据推测目标消费者的需求和偏好推荐或展示目标消费者可能喜欢的商品或服务

个性化推荐的过程

数据的输入个性化推荐算法推荐列表

个性化推荐的分类

根据采用数据类型的不同基于显式反馈（ExplicitFeedback）的个性化推荐基于隐式反馈（ImplicitFeedback）的个性化推荐根据产生个性化推荐所采用的算法不同基于内容的推荐基于协同过滤的推荐混合推荐

基于协同过滤的推荐算法

基于协同过滤的推荐基于记忆的协同过滤推荐基于用户的协同过滤推荐基于项目的协同过滤推荐基于模型的协同过滤推荐

基于协同过滤的推荐算法

基于用户的协同过滤推荐基于项目的协同过滤推荐

基于项目的协同过滤算法示例

以基于“最近邻居”的协同过滤推荐方法为例对于任意的用户c∈C

：用户c对其未评过分的商品s的预测评分s’：选择使用户c效用最大的商品进行推荐

基于项目的协同过滤算法示例

商品-用户评分矩阵商品/用户用户1用户2用户3用户4用户5……商品11231.……商品2122..……商品34..23……商品412.5.…………………………………………

基于项目的协同过滤算法示例

：分别指用户c对商品s和s'的评分：分别指所有用户对商品s和s'的平均评分Css'：同时对商品s和s'评分的用户集合基于项目的协同过滤算法示例

给定用户c对商品s的评分，预测其对商品s'的评分根据预测评分进行排名，依照企业需要向用户推荐排名靠前的产品与服务

亚马逊：个性化推荐始祖

1998年，推出基于项目的协同过滤算法（item-basedcollaborativefiltering）用户标注“已经买了、已经有了、已经打分了”的商品“我的亚马逊”页面充分赋予用户“被推荐的自由”

“为该商品打分以改善为我推荐”“不再为我推荐”

“为什么推荐给我”……

零售大数据的应用——外部

商圈分析个人征信竞品分析广告投放新零售的概念

通过大数据，人工智能等先进技术手段对商品的生产、流通与销售过程进行升级改造重塑业态结构与生态圈线上和线下深度融合

新零售的特点

线上线下深度融合消费者体验的升级信息化技术的革新数据化运营的革新

新零售领域的大数据价值

运用大数据实现全供应链利益相关者的无缝对接依托大数据提升线上线下消费服务体验运用大数据推动线上线下配送无缝融合

新零售领域的大数据营销应用

交叉销售基于位置的营销消费者商店行为分析倾向分析定价优化商品陈设优化客户再细分

消费者商店行为分析

消费者商店行为大数据改进商店布局、产品搭配和货架摆放方案针对性地评估营销实施效果

客户再细分

丰富的数据量和数据维度先进的数据处理和分析工具客户细分市场实现个性化

定价优化

复杂的需求弹